Kommentar von Robert Hilmer, CEO PartSpace

Die Unternehmensberatung McKinsey & Company hat kürzlich eine unbequeme Wahrheit ausgesprochen: Das Problem mit KI im Einkauf ist kein Technologieproblem, sondern ein Leadership-Problem. In ihrem Report „Redefining procurement performance in the era of agentic AI" beschreibt die Beratung den Wandel von analytischer KI nach dem Motto „Zeig mir die Daten" hin zu „Mach es für mich". Sprich KI-Agenten, die autonom Aufgaben übernehmen, Szenarien simulieren und kontinuierlich dazulernen. Die Botschaft ist eindeutig: Wer jetzt nicht handelt, verliert den Anschluss.

In Konzernzentralen und Einkaufsabteilungen herrscht Aufbruchstimmung. Alle reden über Agentic AI, viele experimentieren bereits. Das Problem: Viele dieser Projekte werden im operativen Einsatz hinter den Erwartungen zurückbleiben. Nicht weil die Technologie nichts kann, sondern weil zwischen einer überzeugenden Demo und einem belastbaren Prozess im technischen Einkauf eine entscheidende Schicht fehlt: strukturierte, integrierte und verlässliche Industriedaten.

ChatGPT: Warum Verstehen allein nicht reicht

Der Irrtum beginnt mit einem Missverständnis. Unternehmen setzen ChatGPT, Claude oder andere generische Sprachmodelle ein und erwarten schnelle Fortschritte. Das ist nachvollziehbar. Diese Systeme können heute bereits erstaunlich viel: Texte formulieren, technische Inhalte einordnen, Zeichnungen interpretieren und erste Zusammenhänge sichtbar machen. Aber genau hier beginnt das Missverständnis. Denn was in einer Demo beeindruckt, reicht im operativen Einkauf noch lange nicht aus. Entscheidend ist nicht, ob ein Modell etwas grundsätzlich versteht, sondern ob Ergebnisse verlässlich, normiert, integrierbar und für konkrete Beschaffungsentscheidungen belastbar sind. Dazu gehört u.a. die Bewertung von Fertigungsverfahren und Preisen sowie die Analyse von Lieferantenstrukturen.

Wer kein Experte ist, merkt das nicht sofort. Die Antwort wirkt plausibel, die Interaktion intuitiv. Aber im technischen Einkauf, wo Entscheidungen Millionen bewegen, reicht Plausibilität nicht. Dort zählen Reproduzierbarkeit, Kontext und Anschlussfähigkeit an reale Prozesse.

Agenten ohne Daten sind blind

Der eigentliche Knackpunkt liegt woanders: KI-Agenten brauchen eine belastbare Datenschicht. Konstruktionsdaten aus CAD-Systemen, verknüpft mit ERP- und PLM-Informationen, Lieferantenwissen, Fertigungslogik und historischen Preisen – das ist die Währung des technischen Einkaufs. Genau diese Struktur fehlt in vielen Unternehmen. Generalistische KI kann darauf aufsetzen, aber sie erzeugt diese industrielle Datenbasis nicht von selbst. Und ohne diese Basis bleiben Ergebnisse oft inkonsistent, nicht normiert, nicht ERP-kompatibel und damit nur begrenzt operativ nutzbar. Das Problem ist also nicht Verständnis, sondern Verlässlichkeit, Struktur und Integration.

Was also braucht der technische Einkauf wirklich? Nicht noch eine weitere Oberfläche, sondern eine industrielle Datenschicht, die Konstruktionsdaten entscheidungsfähig macht. Eine Schicht, die Geometrien erkennt, Merkmale normiert, Fertigungslogik abbildet und diese Informationen mit ERP-, PLM-, Lieferanten- und Prozessdaten verknüpft. Erst darauf können KI-Agenten produktiv arbeiten. Nicht als schöne Demo, sondern als belastbares Werkzeug im Einkauf.

McKinsey & Company beschreibt eine hybride Arbeitswelt: Menschen für kreative und strategische Aufgaben, KI-Agenten für Skalierung und Geschwindigkeit. Das klingt vielversprechend – aber nur, wenn die Basis stimmt. Ohne eine intelligente Datenplattform, die Engineering-Daten strukturiert, normiert und mit realen Einkaufs- und Fertigungsinformationen verknüpft, bleibt jeder Agent ein leeres Versprechen. Wir arbeiten seit 2020 an genau dieser Fragestellung.  

Agentic AI wird den technischen Einkauf verändern. Aber der Unterschied zwischen Hype und produktivem Einsatz liegt nicht in noch besseren Modellen. Er liegt in besser verknüpften Daten. Die Fragen, die sich Unternehmen stellen sollten, lauten deshalb: Sind unsere Daten im industriellen Umfeld wirklich bereit für autonome Agenten? Wie bekomme ich Datensilos aus Engineering und Einkauf (ERP) zusammen und mache sie „Agenten-ready“? Wer darauf keine Antwort hat, experimentiert nicht an der Zukunft – sondern am Budget.

Die Zukunft gehört nicht denen, die am lautesten über KI reden. Sie gehört denen, die ihre Daten im Griff haben.